DE69030078T2

DE69030078T2 - Manufacturing adjustment during product manufacturing

Info

Publication number: DE69030078T2
Application number: DE69030078T
Authority: DE
Inventors: Kevin David Cummings; Robert Charles Frye; Edward Alois Rietman
Original assignee: AT&T Corp
Current assignee: AT&T Corp
Priority date: 1990-02-22
Filing date: 1990-12-05
Publication date: 1997-08-07
Anticipated expiration: 2010-12-06
Also published as: EP0443249B1; DE69030078D1; JP2959858B2; JPH0697057A; US5283746A; EP0443249A3; EP0443249A2

Description

Background of the invention 1. Field of the invention

Die vorliegende Erfindung betrifft ein durch eine elektronische Datenverarbeitungseinrichtung gesteuertes Herstellungsverfahren und insbesondere ein Herstellungsverfahren, bei dem die Verfahrensparameter mittels eines neuronalen Netzes eingestellt werden.The present invention relates to a manufacturing process controlled by an electronic data processing device and in particular to a manufacturing process in which the process parameters are set by means of a neural network.

2. State of the art

Eine Reihe van Herstellungsverfahren wird durch elektronische Datenverarbeitungseinrichtungen, wie z.B. Computer, gesteuert. Bei diesen Verfahren werden physikalische Tätigkeiten (Operationen), z.B. Positionierung, durch elektrische Signale gesteuert, die von der Datenverarbeitungseinrichtung ausgehen und die Verarbeitung über Hilfseinrichtungen, z. B. Stelleinrichtungen und/oder Lenkeinrichtungen, steuern. Ein solches Verfahren wird beispielsweise bei einer Elektronenstrahlbelichtungs-einrichtung verwendet, wie sie bei der Herstellung von lithographischen Masken oder von integrierten Schaltkreisen eingesetzt wird. Der Elektronenstrahl wird hierbei durch eine Lenkeinrichtung mit elektrischem Feld gesteuert. Bei diesem Verfahren wird ein mit Chrom beschichtetes Glassubstrat oder ein Trägermaterial für ein Bauelement, das von einem elektronensensitiven Material bedeckt ist, durch Bestrahlung mit einem Elektronenstrahl selektiv belichtet, wobei der Elektronenstrahl so ausgerichtet wird, daß er in einem gewünschten Muster auf das Material auftrifft.A number of manufacturing processes are controlled by electronic data processing devices, such as computers. In these processes, physical activities (operations), e.g. positioning, are controlled by electrical signals that originate from the data processing device and control the processing via auxiliary devices, e.g. actuating devices and/or steering devices. Such a process is used, for example, in an electron beam exposure device, as used in the production of lithographic masks or integrated circuits. The electron beam is controlled by a steering device with an electric field. In this process, a chromium-coated glass substrate or a carrier material for a component, which is covered by an electron-sensitive material, is selectively exposed by irradiation with an electron beam, the electron beam being aligned so that it strikes the material in a desired pattern.

Nach erfolgter Belichtung werden entweder die bestrahlten oder die nichtbestrahlten Bereiche des elektronensensitiven Materials entfernt, um die darunterliegenden Bereiche aus Chrom oder die darunterliegenden Bereiche des Bauelementes in einem gewünschten Muster freizulegen. Das Entfernen des elektronensensitiven Materials erfolgt hier typischerweise durch ein selektives Solvatationsverfahren. Der Unterschied in den Solvatationseigenschaften zwischen den belichteten und den unbelichteten Bereichen ist hierbei um so größer, je länger der Strahl auf einen bestimmten Punkt gerichtet bleibt. Die freigelegten Chrombereiche oder die freigelegten Bereiche des Bauelementes werden nun mittels anderer Verfahren, wie z.B. eines Ätz- oder Metallisierungsverfahrens bearbeitet. Zur Herstellung einer Maske wird beispielsweise das freigelegte Chrom entfernt, so daß sich transparente Bereiche in Form eines Musters ergeben, das dem in dem elektronensensitiven Material ausgebildeten Muster entspricht. Dieses transparente Muster wird nun bei der Herstellung von Bauelementen, wie z.B. von integrierten Schaltkreisen, für photolithographische Verfahren verwendet.After exposure, either the irradiated or non-irradiated areas of the electron-sensitive material are removed to expose the underlying areas of chromium or the underlying areas of the device in a desired pattern. Removing the The solvation of electron-sensitive material is typically carried out using a selective solvation process. The difference in the solvation properties between the exposed and unexposed areas is greater the longer the beam remains directed at a certain point. The exposed chromium areas or the exposed areas of the component are then processed using other processes, such as an etching or metallization process. To produce a mask, for example, the exposed chromium is removed so that transparent areas are created in the form of a pattern that corresponds to the pattern formed in the electron-sensitive material. This transparent pattern is then used in the production of components, such as integrated circuits, for photolithographic processes.

Bei diesen Verfahren müssen die Verfahrensschritte, wie z.B. das Positionieren, so eingestellt werden, daß sie die jeweiligen Variablen des Verfahrens oder die verfahrensparameter widerspiegeln, die dem hergestellten Gegenstand zuzuordnen sind. Bei dem angegebenen Beispiel beruht dieses Einstellungserfordernis auf der Streuung der auf dem darunterliegenden Substrat auftreffenden Elektronen. Diese Elektronenstreuung verursacht in den Bereichen eine Sekundärbelichtung, die benachbart zu den Bereichen gelegen sind, in denen der Elektronenstrahl anfänglich auftrifft. Hierdurch entsteht eine selektive Löslichkeit zwischen benachbarten Bereichen, zwischen denen dies nicht erwünscht ist, oder es weisen Bereiche die gleiche Löslichkeit auf, bei denen ein Unterschied in der Löslichkeit erforderlich ist.In these processes, the process steps, such as positioning, must be adjusted to reflect the specific process variables or process parameters associated with the article being produced. In the example given, this adjustment requirement is due to the scattering of the electrons striking the underlying substrate. This electron scattering causes secondary exposure in the areas adjacent to the areas where the electron beam initially strikes. This creates selective solubility between adjacent areas where this is not desired, or areas with the same solubility where a difference in solubility is required.

Zur Korrektur dieser Effekte sind insbesondere bei komplizierten Systemen, wie sie z.B. bei der Herstellung lithographischer Masken anzutreffen sind, sehr umfangreiche und unwirtschaftliche Berechnungen anzustellen. Im Zusammenhang mit der Herstellung photolithographischer Masken werden zur Korrektur der mit der Elektronenstreuung verbundenen Ungenauigkeiten beispielsweise Algorithmen vorgeschlagen, wie sie von M. Parikh in J. Vac. Sci. Technol Band 15, Seite 931, 1978, beschrieben werden. Bei diesen Verfahren sind große Matrizen zu invertieren, um die Lösung zu erhalten. Bei komplexen Mustern sind zudem Jahre an Computerzeit erforderlich. Der Zeitaufwand für diese sehr umfangreichen Berechnungen und die damit verbundenen Kosten verhindern eine Anwendung dieser Verfahren zur Steuerung oder Regelung. Eine Verbesserung, die bei einer vernünftigen Geschwindigkeit und mit vernünftigen Kosten eine Steuerung des Verfahrens und eine damit verbundene Produktverbesserung ermöglicht, ist daher offensichtlich sehr wünschenswert.To correct these effects, very extensive and uneconomical calculations have to be made, especially in complicated systems such as those encountered in the manufacture of lithographic masks. In connection with the manufacture of photolithographic masks, very extensive and uneconomical calculations are required to correct the effects associated with electron scattering. To overcome the associated inaccuracies, algorithms such as those described by M. Parikh in J. Vac. Sci. Technol Volume 15, page 931, 1978 have been proposed. These methods require the inversion of large matrices to obtain the solution. In addition, complex patterns require years of computer time. The time required for these very extensive calculations and the associated costs prevent the use of these methods for control or regulation. An improvement which enables control of the process and associated product improvement at a reasonable speed and at reasonable cost is therefore obviously very desirable.

In dem Artikel von Chen "Adaptive (neural network) control in computer-integrated-manufacturing (Proceedings od Spie - The International Society for Optical Engineering: Applications of Artificial Intelligence VI, Band 937, 4. April 1988, Orlando, USA, Seiten 470-473) wird ein neuronales Netz zur Steuerung eines Verfahrens beschrieben, dessen Konf igurierung im Verlauf der Berechnungen eingestellt wird. Bei der beschriebenen Prozedur oder dem beschriebenen Verfahren werden in das neuronale Netz unmittelbar die Daten des durchgeführten Verfahrens oder des herzustellenden Gegenstandes eingespeist. Anschließend wird aus diesen Daten eine Lösung ermittelt, die mit einem gewünschten Endwert verglichen wird. Nun wird die Konfiguration des neuronalen Netzes modifiziert und die Berechnung wird iterativ so lange wiederholt, bis eine akzeptable Lösung erreicht ist. Dieses iterative Verfahren und die wiederholte Veränderung der Konfiguration des neuronalen Netzes wird unter Verwendung der Daten des zu steuernden aktuellen Verfahrens oder des aktuell hergestellten Gegenstandes durchgeführt.In the article by Chen "Adaptive (neural network) control in computer-integrated-manufacturing (Proceedings of Spie - The International Society for Optical Engineering: Applications of Artificial Intelligence VI, Volume 937, 4 April 1988, Orlando, USA, pages 470-473) a neural network is described for controlling a process, the configuration of which is adjusted during the course of the calculations. In the procedure or method described, the data of the process being carried out or of the object to be manufactured are fed directly into the neural network. A solution is then determined from this data, which is compared with a desired final value. The configuration of the neural network is now modified and the calculation is repeated iteratively until an acceptable solution is reached. This iterative process and the repeated change in the configuration of the neural network is carried out using the data of the current process or the object to be controlled. currently manufactured item.

Summary of the invention

Durch Verwendung eines neuronalen Netzes in Verbindung mit einem Verfahren, bei dem ein Prototyp als Muster verwendet wird, um die Konfiguration des Netzes einzustellen, läßt sich ein Verfahren zur Steuerung oder Regelung von Herstellungsverfahren verwirklichen, bei dem keine unwirtschaftlichen Berechnungen erforderlich sind. Bei diesem Verfahren wird die gewünschte Einstellung von einem oder mehreren Verfahrensparametern anhand eines als Muster verwendeten Prototyps empirisch bestimmt. Der Prototyp oder das Ausführungsmuster wird anschließend verwendet, um die Konfiguration des neuronalen Netzes zu bestimmen. Die sich ergebende empirisch bestimmte Konfiguration des neuronalen Netzes wird benutzt, um die Einstellung von einem oder mehreren Verfahrensparametern zu bestimmen, wobei das Herstellungsverfahren entsprechend modifiziert wird. Bei der Herstellung von photolithographischen Masken wird beispielsweise ein Prototyp einer Maske mit repräsentativen Eigenschaften verwendet, wobei die für diese Maske gefundene Konfiguration zur Programmierung des neuronalen Netzes verwendet wird Die sich ergebende Konfiguration, durch die das neuronale Netz eingestellt wird, wird nun zur Einstellung oder Steuerung des Herstellungsverfahrens verwendet, d.h zur Korrektur der sich durch die gestreuten Elektronen ergebenden Belichtung. Durch die Verwendung eines Ausführungsmusters zum Einstellen der Konfiguration des neuronalen Netzes läßt sich überraschenderweise unabhängig von dem letztendlich verwendeten Herstellungsverfahren, d.h. beispielsweise unabhängig von dem letztendlich hergestellten Maskenmuster, eine genaue Einstellung erreichen. Die vorliegende Erfindung läßt sich insbesondere für die Einstellung und Steuerung von komplexen Verfahren vorteilhaft einsetzen.By using a neural network in conjunction with a method in which a prototype is used as a pattern to set the configuration of the network, a method for controlling or Realize control of manufacturing processes in which no uneconomical calculations are required. In this method, the desired setting of one or more process parameters is determined empirically using a prototype used as a pattern. The prototype or the execution pattern is then used to determine the configuration of the neural network. The resulting empirically determined configuration of the neural network is used to determine the setting of one or more process parameters, the manufacturing process being modified accordingly. In the production of photolithographic masks, for example, a prototype of a mask with representative properties is used, the configuration found for this mask being used to program the neural network. The resulting configuration, by means of which the neural network is set, is then used to set or control the manufacturing process, ie to correct the exposure resulting from the scattered electrons. By using an execution pattern to set the configuration of the neural network, a precise setting can surprisingly be achieved regardless of the manufacturing process ultimately used, ie, for example, regardless of the mask pattern ultimately produced. The present invention can be used particularly advantageously for the setting and control of complex processes.

Short description of the drawings

Fig. 1 veranschaulicht ein Ausführungsmuster, das erfindungsgemäß verwendbar ist;Fig. 1 illustrates an embodiment that can be used according to the invention;

Fig. 2 und 3 veranschaulichen mit der Erfindung erreichbare Resultate;Fig. 2 and 3 illustrate results achievable with the invention;

Fig. 4 veranschaulicht ein erfindungsgemäß verwendbares neuronales Netz, undFig. 4 illustrates a neural network that can be used according to the invention, and

Fig. 5 veranschaulicht einen erfindungsgemäß hergestellten Gegenstand.Fig. 5 illustrates an article made according to the invention.

Detailed description

Wie bereits in Zusammenhang mit der Einstellung oder Steuerung von komplexen Verfahren diskutiert wurde, wird ein Ausführungsmuster oder ein Prototyp verwendet, um die Konfiguration des neuronalen Netzes zu bestimmen. (Ein komplexes Verfahren ist ein Verfahren, bei dem die zur Einstellung oder Steuerung des Verfahrens erforderliche Zeit für einen Computer mit einer herkömmlichen seriellen Architektur um zumindest den Faktor 2 größer ist als die Zeit, die zur Durchführung der später definierten Operationen P&sub0; des neuronalen Netzes erforderlich ist.) Neuronale Netze werden ausgiebig in einem Artikel von D.E. Rumelhart et al. diskutiert, der 1986 in Nature (Band 323, Seite 533) erschienen ist. Neuronale Netze umfassen grundsätzlich eine Einrichtung zum Eingeben mehrerer Signale, die eine oder mehrere Variablen des Verfahrens oder Verfahrensparameter repräsentieren. Diese Daten läßt man nun in einer Matrix aus Zusammenschaltungen, einer Kopplungsmatrix oder einem Koppelfeld wechselwirken, wobei die Verbindungsstellen der Zusammenschaltung oder die Vernetzungspunkte jeweils eine Impedanz umfassen. Die Dateneingänge sind mit den Zeilen der Matrix verbunden, während die Spalten der Matrix in einer aktiven Vorrichtung enden, d.h. beispielsweise in einer Vorrichtung, wie einem Summierverstärker für den Strom oder einem Spannungsverstärker, dessen Ausgangssignal eine monotone (lineare oder nichtlineare) Funktion des Eingangssignals ist. (Diese Beschreibung eines neuronalen Netzes betrifft sowohl Impedanzen von 0 Ohm als auch unendlich hohe Impedanzen an den Verknüpfungs- oder Vernetzungspunkten der Matrix.) Die Ausgangssignale der aktiven Vorrichtungen oder Bauelemente werden nun entweder erstens in eine nachgeschaltete Matrix oder in nachgeschalteten Matrizen mit ihren entsprechenden Sätzen von aktiven Vorrichtungen oder Bauelementen eingespeist, um die sich ergebenden Daten weiterzuverarbeiten, oder aber sie werden zweitens am Ausgang nicht weiter verarbeitet. (Obgleich neuronale Netze anhand von aktiven Bauelementen oder Vorrichtungen und von Impedanzen an den Schaltverbindung oder den Vernetzungspunkten beschrieben werden, betrifft die vorliegende Erfindung auch neuronale Netze die unter Verwendung von mathematischen Aquivalenten als Software vorliegen. Diese mathematischen Äquivalente werden ebenfalls von Rumelhart et al. beschrieben.) Die sich letztendlich ergebenden Ausgangsergebnisse werden, wie zuvor bereits diskutiert wurde, verwendet, um den oder die Verfahrensparameter eines Herstellungsverfahrens einzustellen oder zu steuern. Die Einstellung erfolgt hierbei durch Steuerung eines geeigneten Signals, durch das der oder die Verfahrensparameter gesteuert werden. (In einem solchen Netzwerk ist die Anzahl der durchgeführten Operationen P&sub0; im wesentlichen gleich 2x[(i j)+(j k)+(k l)+...]. i ist hierbei die Anzahl der Eingänge der ersten Matrix, j ist die Anzahl von zugehörigen Vorrichtungen oder Bauelemente, k ist die Anzahl der zu der zweiten Matrix gehörenden Vorrichtungen oder Bauelementen, l ist die Anzahl der zu der dritten Matrix gehörenden Vorrichtungen oder Bauelemente und so weiter für alle vorhandenen Matrizen.)As discussed previously in connection with the setting up or control of complex processes, an implementation pattern or prototype is used to determine the configuration of the neural network. (A complex process is one in which the time required for setting up or controlling the process for a computer with a conventional serial architecture is at least a factor of 2 greater than the time required to perform the neural network operations P₀, as defined later.) Neural networks are discussed extensively in a paper by DE Rumelhart et al., published in Nature (vol. 323, page 533) in 1986. Neural networks basically comprise a means for inputting a plurality of signals representing one or more process variables or process parameters. These data are then caused to interact in a matrix of interconnections, a coupling matrix or a switching network, where the interconnection junctions or the networking points each comprise an impedance. The data inputs are connected to the rows of the matrix, while the columns of the matrix terminate in an active device, i.e., for example, in a device such as a summing amplifier for the current or a voltage amplifier, the output of which is a monotonic (linear or non-linear) function of the input signal. (This description of a neural network applies both to impedances of 0 ohms and infinitely high impedances at the connection or networking points of the matrix.) The output signals of the active devices or components are now either firstly fed into a downstream matrix or into downstream matrices with their corresponding sets of active devices or components in order to further process the resulting data, or secondly they are not further processed at the output. (Although neural networks in terms of active components or devices and of impedances at the switching connections or the network points, the present invention also relates to neural networks which are available as software using mathematical equivalents. These mathematical equivalents are also described by Rumelhart et al.) The final output results are used, as previously discussed, to adjust or control the process parameter(s) of a manufacturing process. The adjustment is made by controlling an appropriate signal by which the process parameter(s) are controlled. (In such a network, the number of operations P₀ performed is essentially equal to 2x[(ij)+(jk)+(kl)+...]. Here, i is the number of inputs of the first matrix, j is the number of associated devices or components, k is the number of devices or components belonging to the second matrix, l is the number of devices or components belonging to the third matrix, and so on for all existing matrices.)

Durch die Impedanzeinrichtungen an den Schaltverbindungen der ersten Matrix und an den Schaltverbindungen eventuell vorhandener nachgeschalteter Matrizen sind die mit in den Eingangsdaten ausgeführten Transformationen und damit äuch das Ausgangssignal des neuronalen Netzes festgelegt. Diese Impedanzeinrichtungen werden unter Verwendung eines Ausführungsmusters oder eines Prototyps für das letztendlich durchzuführende Verfahren eingestellt. Durch diese Einstellung der Impedanzwerte unter Verwendung eines Ausführungsmusters oder eines Prototyps kann das neuronale Netz überraschenderweise auch für ein beliebiges anderes Muster verwendet werden, das dem gewünschten Herstellungsverfahren unterworfen wird, vorausgesetzt, daß die nicht eingestellten Verfahrensparameter nicht verändert werden. Bei der Elektronenstrahlbelichtung von Masken ermöglicht die Verwendung eines Ausführungsmusters zur Einstellung der Impedanzwerte des neuronalen Netzes eine Durchführung des Verfahrens für ein anderes zu belichtendes Muster, vorausgesetzt, daß die Beschleunigungsenergie für den Elektronenstrahl, das das elektronensensitive Material umfassende Substratmaterial und die darunterliegenden Materialien identisch sind. Wenn daher die verarbeiteten Materialien und die nicht eingestellten Verfahrensparameter, wie z.B. das elektronensensitive Substratmaterial und die Belichtungsenergie, identisch sind, kann das unter Verwendung eines Ausführungsmusters oder Prototyps eingestellte neuronale Netz auch für andere Muster oder Strukturen verwendet werden.The impedance devices on the switching connections of the first matrix and on the switching connections of any downstream matrices determine the transformations carried out on the input data and thus also the output signal of the neural network. These impedance devices are set using an execution model or a prototype for the process to be carried out in the end. By setting the impedance values using an execution model or a prototype, the neural network can surprisingly also be used for any other pattern that is subjected to the desired manufacturing process, provided that the process parameters that are not set are not changed. In electron beam exposure of masks, the use of a prototype to adjust the impedance values of the neural network allows the process to be performed on a different pattern to be exposed, provided that the acceleration energy for the electron beam, the substrate material comprising the electron-sensitive material and the underlying materials are identical. Therefore, if the materials processed and the unadjusted process parameters, such as the electron-sensitive substrate material and the exposure energy, are identical, the neural network adjusted using a prototype or prototype can also be used for other patterns or structures.

Das Ausführungsmuster wird so ausgewählt, daß es zumindest so viele Eingabe-Ausgabe-Muster (input-output samples) umfaßt wie Verbindungen (d.h. e j+j k...). Zusätzlich hierzu sollten die Sätze so ausgewählt werden, daß sie gemeinsam in etwa den gleichen Bereich im Eingangsraum überspannen wie die einzustellenden Prozesse (Der Eingangsraum ist als mehrdimensionaler Raum definiert, der alle möglichen Eingangssignale umfaßt, die die einzustellende Variable oder die einzustellende Variablen repräsentieren.)The execution pattern is chosen to include at least as many input-output samples as connections (i.e. e j+j k...). In addition, the sets should be chosen so that they together span approximately the same area in the input space as the processes to be tuned (The input space is defined as a multidimensional space that includes all possible input signals that represent the variable or variables to be tuned.)

Obgleich die vorliegende Erfindung durch die Verwendung eines Ausführungsmusters zur Einstellung eines Herstellungsverfahrens mittels der durch ein neuronales Netz gewonnenen Ergebnisse bereits allgemein beschrieben ist, soll sie im folgenden aus pädagogischen Gründen anhand der Bildung einer photolithographischen Maske beispielhaft näher beschrieben werden. Bei einem solchen Verfahren liegt die Beschleunigungsspannung für den Elektronenstrahl typischerweise im Bereich zwischen 20 und 40 keV, wobei die Streuung von Elektronen in einem Bereich zwischen 1 µm und 20 µm von dem anfänglichen Auftreffpunkt der Elektronen aus merklich ist. Zusätzlich hierzu ist das Streumuster kreissymmetrisch, d.h., daß der Bereich, der von einem gestreuten Elektron letztendlich belichtet wird, kreisförmig um den Auftreffpunkt verläuft, wobei mit zunehmendem Radius dieses Kreises die Wahrscheinlichkeit seiner Belichtung abnimmt.Although the present invention has already been generally described by using an embodiment for adjusting a manufacturing process using the results obtained by a neural network, it will be described in more detail below for educational reasons using the example of the formation of a photolithographic mask. In such a process, the acceleration voltage for the electron beam is typically in the range between 20 and 40 keV, with the scattering of electrons being noticeable in a range between 1 µm and 20 µm from the initial point of impact of the electrons. In addition, the scattering pattern is circularly symmetrical, ie the area covered by a scattered electron is ultimately exposed, runs in a circle around the point of impact, with the probability of its exposure decreasing as the radius of this circle increases.

Für bestimmte Werte der Strahlenergie, für bestimmte Strahlformen und für eine bestimmte Substratzusammensetzung kann das Streumuster des Strahls, das als Annäherung^sfunktion oder als Proximityfunktion bezeichnet wird, unter Verwendung von Monte-Carloverfahren berechnet werden. Dargestellt wird dies von K. Murata und D.F. Kysen in "Advances in Electronics and Electron Physics" Band 69, Kap. 11, Monte-Carlo Methods and Microlitography Simulation for Electron an X-ray Beams, Seite 175-256, Academic Press, N.Y., 1987. Das Streuprofil des Strahls kann auch experimentell gemessen werden, so wie dies von D.J. Hughes, R.F. Rix in "Proximity Correction on an Electron Scan E-Beam Machine by Dose Variation", Pub. Microelectronic, Eng., Band 9, Seiten 243-246, 1989, beschrieben wird. Es ist möglich, die Belichtungsdosis an einem beliebigen Punkt in dem elektronensensitiven Material durch eine zweidimensionale Faltung des einfallenden oder auftreffenden Musters mit der Annäherungs funktion zu vervollständigen.For certain values of beam energy, for certain beam shapes and for a certain substrate composition, the scattering pattern of the beam, called the proximity function, can be calculated using Monte Carlo methods. This is presented by K. Murata and D.F. Kysen in "Advances in Electronics and Electron Physics" Vol. 69, Chapter 11, Monte-Carlo Methods and Microlithography Simulation for Electron an X-ray Beams, pages 175-256, Academic Press, N.Y., 1987. The scattering profile of the beam can also be measured experimentally, as by D.J. Hughes, R.F. Rix in "Proximity Correction on an Electron Scan E-Beam Machine by Dose Variation", Pub. Microelectronic, Eng., Vol. 9, pages 243-246, 1989. It is possible to complete the exposure dose at any point in the electron-sensitive material by a two-dimensional convolution of the incident or impinging pattern with the approximation function.

Fig. 1 zeigt eine geeignete Ausführungsform eines Belichtungsmusters für eine Elektronenstrahlmaske, die mit einer Elektronenstrahlenergie von 20 kev hergestellt wird. Bei dem Merkmal oben links handelt es sich um einen variablen Spalt mit einer Größe zwischen 0,875 µm und 0,125 µm, wobei die Schrittweite 0,125 µm beträgt. (Der oberste und der unterste Wert wurden deshalb gewählt, da sie den Bereich zwischen dem kleinsten auf lösbaren Strukturelement und dem durch den Proximityeffekt beeinflußten größten Strukturelement überspannen. Die Schrittweite wurde gewählt, da sie für Auflösungsschritte bei heutigen Belichtungssystemen typisch ist.) Die Rechtecke der Gruppe oben in der Mitte sind 0,5 µm breit, wobei sich der jeweilige Abstand von 1 µm auf 0,25 µm verringert. Unten befindet sich eine Reihe von rechteckigen Fenstern und von isoliert angeordneten Quadraten, von denen das kleinste 0,25 µm groß ist. Das Strukturelement auf der rechten Seite weist eine Lücke von 0,25 µm auf, die in der Mitte eines Bereichs mit veränderlicher Breite von oben nach unten verläuft. Dieses letzte Strukturelement gewährleistet eine Kompensation für eine Lücke, die sich sowohl neben großen als auch neben kleinen benachbarten Strukturmerkmalen befindet. Bei diesem Prototyp eines Belichtungsmusters sind daher die typischen Gestaltungen beispielhaft vertreten, die bei einer konkreten lithographischen Maske anzutreffen sind, d.h., daß der Eingangsraum des Maskenmusters durch den Prototyp repräsentiert wird.Fig. 1 shows a suitable embodiment of an exposure pattern for an electron beam mask produced with an electron beam energy of 20 kev. The feature at the top left is a variable gap with a size between 0.875 µm and 0.125 µm, with a step size of 0.125 µm. (The top and bottom values were chosen because they span the range between the smallest resolvable feature and the largest feature influenced by the proximity effect. The step size was chosen because it is typical of resolution steps in today's exposure systems.) The rectangles of the top center group are 0.5 µm wide, with the respective spacing decreasing from 1 µm to 0.25 µm. At the bottom is a row of rectangular windows and isolated squares, the smallest of which is 0.25 µm in size. The feature on the right has a gap of 0.25 µm running from top to bottom in the middle of a variable width region. This last feature compensates for a gap that is located next to both large and small neighboring features. This prototype exposure pattern therefore exemplifies the typical designs found in a concrete lithographic mask, ie the input space of the mask pattern is represented by the prototype.

Die tatsächliche Belichtung durch die einfallenden und die gestreuten Elektronen zur Herstellung dieses Musters wird durch eine Faltung des einfallenden oder auftreffenden Musters mit der Annäherungs oder Proximityfunktion berechnet. Die Auftreffdosis in den nicht belichteten Bereichen wird gleich Null gesetzt, während die Auftreffdosis in den belichteten Bereichen beispielsweise etwa gleich 115% des Belichtungsschwellenwertes gesetzt wird, d.h. der Energie, die erforderlich ist, um das Resist des verwendeten elektronensensitiven Materials in der verwendeten Dicke vollständig zu belichten. Zur Bestimmung der Dosiseinstellung, die erforderlich ist, um den gewünschten Wert des Belichtungsschwellenwertes in allen belichteten Bereichen unter Berücksichtigung der gestreuten Elektronen zu bestimmen, wird ein iteratives Computerverfahren nach dem Brechstangenprinzip verwendet. Wie in Fig. 2 dargestellt ist erhalten alle belichteten Pixel nach der Korrektur fast nahezu die optimale Dosis (im Vergleich zu den in Fig. 3 dargestellten nicht korrigierten Resultaten) . (Ein Pixel ist definiert als minimal auf lösbarer Bildpunkt oder als Bildelement.) Die nicht zu belichtenden Pixel erhalten nur eine geringe Dosis, da jedoch keine negativen Dosen möglich sind, kann dies nicht korrigiert werden.The actual exposure by the incident and scattered electrons to produce this pattern is calculated by convolving the incident or incident pattern with the proximity function. The impact dose in the non-exposed areas is set equal to zero, while the impact dose in the exposed areas is set equal to, for example, approximately 115% of the exposure threshold, i.e. the energy required to fully expose the resist of the electron-sensitive material used in the thickness used. An iterative computer procedure based on the crowbar principle is used to determine the dose setting required to achieve the desired value of the exposure threshold in all exposed areas taking into account the scattered electrons. As shown in Fig. 2, all exposed pixels receive almost the optimal dose after correction (compared to the uncorrected results shown in Fig. 3). (A pixel is defined as the minimum resolvable pixel or image element.) The pixels not to be exposed receive only a small dose, but since negative doses are not possible, this cannot be corrected.

Das iterative Berechnungsverfahren wird so durchgeführt, daß die Intensitätsverteilung der gestreuten Elektronen berechnet und mit dem gewünschten Muster verglichen wird. Der Unterschied zwischen der berechneten Streuverteilung und der gewünschten Verteilung ist die Regelabweichung. Von dem auftreffenden Bild wird eine der Regelabweichung entsprechende Dosis subtrahiert und die Iteration wird solange fortgesetzt, bis die Regelabweichung kleiner ist als die gewünschte Spezifikation für die Maske, d.h. kleiner als 2%. Die Iteration für ein Testmuster aus 32400 Pixel, d.h. 32400 Sätze von Eingangsdaten, erfordern auf einem Computer mit einer Geschwindigkeit von 1 Million Rechenoperationen pro Sekunde eine Rechenzeit von etwa einer Stunde. Da typischerweise vier Iterationen erforderlich sind, ist diese Rechenzeit eindeutig unwirtschaftlich, wenn sie nicht, wie dies bei der vorliegenden Erfindung der Fall ist, nur zur Einstellung des Ausführungsmusters oder des Prototyps verwendet wird.The iterative calculation procedure is carried out by calculating the intensity distribution of the scattered electrons and comparing it with the desired pattern. The difference between the calculated scattering distribution and the desired distribution is the control deviation. A dose corresponding to the control deviation is subtracted from the incident image and the iteration is continued until the control deviation is smaller than the desired specification for the mask, i.e. less than 2%. The iteration for a test pattern of 32400 pixels, i.e. 32400 sets of input data, requires a computing time of about one hour on a computer with a speed of 1 million arithmetic operations per second. Since four iterations are typically required, this computing time is clearly uneconomical unless it is used only to adjust the execution pattern or prototype, as is the case with the present invention.

Da 95% der Streuung in einem Radius von 1,25 µm um den Auftreffpunkt erfolgt und da die verwendete Pixelgröße 1/8 µm ist, wird eine sinnvolle Anordnung aus Pixeln um einen Belichtungspunkt bei dem vorliegenden Ausführungsbeispiel durch eine 19x19-Matrix (d.h. durch den zentralen Pixel plus 9 Pixel in jeder Richtung nach außen) repräsentiert. Das neuronale Netz sollte bei diesem Beispiel daher 361 Eingänge umfassen. (Bei anderen Beispielen sind die Bereiche für die Streuung von Elektronen anders, so daß Anordnungen mit einer anderen Größe erforderlich sind. Diese Anzahl von Eingangssignalen wäre sehr lästig, wenn sie alle gleichzeitig eingegeben werden würden. Durch die Verwendung von digitalen Schieberegistern wird dieser Prozeß jedoch deutlich besser handhabbar Die Eingangsdaten werden durch eine Anordnung aus Schieberegistern, die einer digitalen Anordnung von 19 Worten entsprechen, die jeweils eine Länge von 19 Bits aufweisen, in das neuronale Netz eingespeist. Wie in Fig. 4 dargestellt ist, sind die den Pixeln entsprechenden Eingangsdaten jeweils über eine Impedanz, wie z.B. ein Widerstand, mit einem aktiven Bauelement verbunden, das einem Radius der integralen Pixellänge von dem Auftreffpunkt des zentralen Pixels der Anordnung aus zugeordnet ist. Bei dem vorliegenden Beispiel ist das aktive Bauelement ein spannungsfolgender Puffer oder Trennverstärker. Wie in Fig. 5 zu erkennen ist, liegen auch die Mittelpunkte der mit dem Bezugszeichen 51 versehenen Pixel innerhalb eines Radius, der den Pixelabmessungen entspricht, während die Mittelpunkte der Pixel 52 zwischen dem genannten Radius und einem Radius liegen, der dem Zweifachen dieses Wertes entspricht. Bei der in Fig. 4 dargestellten Schaltung sind die binären Eingangssignale, die einem mit dem Bezugszeichen 51 versehenen Pixel entsprechen, jeweils mit einem mit r=1 gekennzeichneten Verstärker verbunden, während die binären Eingangssignale, die einem mit dem Bezugszeichen 52 versehenen Pixel entsprechen, jeweils mit einem mit r=2 gekennzeichneten Verstärker verbunden sind, usw.Since 95% of the scattering occurs within a radius of 1.25 µm around the point of impact and since the pixel size used is 1/8 µm, a reasonable arrangement of pixels around an exposure point is represented in the present embodiment by a 19x19 matrix (ie by the central pixel plus 9 pixels in each direction outwards). The neural network should therefore comprise 361 inputs in this example. (In other examples, the areas for electron scattering are different, so that arrays of a different size are required. This number of input signals would be very cumbersome if they were all entered at the same time. However, the use of digital shift registers makes this process much more manageable. The input data is fed into the neural network through an array of shift registers, which correspond to a digital array of 19 words, each of which is 19 bits long. As shown in Fig. 4, the input data corresponding to the pixels is each connected through an impedance, such as a resistor, to an active device, which is associated with a radius of the integral pixel length from the point of incidence of the central pixel of the array. In the present example, the active component is a voltage-following buffer or isolation amplifier. As can be seen in Fig. 5, the centers of the pixels designated by the reference numeral 51 also lie within a radius corresponding to the pixel dimensions, while the centers of the pixels 52 lie between said radius and a radius corresponding to twice this value. In the circuit shown in Fig. 4, the binary input signals corresponding to a pixel designated by the reference numeral 51 are each connected to an amplifier designated by r=1, while the binary input signals corresponding to a pixel designated by the reference numeral 52 are each connected to an amplifier designated by r=2, and so on.

Die Werte der Impedanzen, durch die die Eingänge mit den Puffern oder Trennverstärkern 42 verbunden sind, sind nicht entscheidend. Sie liegen typischerweise zwischen 100 und 106 Ohm. Diese Werte werden gewählt, da niedrige Widerstände, obgleich sie zu einer schnelleren Betriebsweise führen, mehr Leistung verbrauchen. (Wenn das neuronale Netzsoftwaremäßig implementiert ist, gibt es solche Beschränkungen selbstverständlich nicht.) Für das Beispiel des Proximityeffektes sind die Widerstände in den ersten Schichten alle identisch. Durch diese Ausgangssituation liegt an den aktiven Bauelementen der Reihe 42 als Eingangssignal jeweils eine Spannung an, die dem Mittelwert der auftreffenden Belichtungsdosis entspricht, die auf einen Ring mit einem bestimmten Radius auftrifft. Das Ausgangssignal der aktiven Bauelemente dieser ersten Gruppe, wird nun jeweils über eine veränderliche Impedanz, die typischerweise wiederum zwischen 100 und 106 Ohm beträgt, an eine zweite Gruppe aus Bauelementen angelegt. Bei dem vorliegenden Ausführungsbeispiel handelt es sich hierbei um Strom-Summierverstärker. Durch eine Einstellung der Werte für diese veränderlichen Impedanzen wird eine geeignete Gewichtung der Streuung bestimmt, die an dem zentralen Pixel beispielsweise für das 19x19-Feld zu sehen ist. Diese veränderlichen Gewichtungen werden eingestellt, indem die veränderlichen Impedanzen solange eingestellt werden, bis die Matrix die gleiche Antwort liefert, die in dem zuvor beschriebenen iterativen Verfahren für das Ausführungsmuster eingestellt wurde. Die Parameter des neuronalen Netzes werden somit durch ein iteratives Verfahren eingestellt.The values of the impedances through which the inputs are connected to the buffers or isolation amplifiers 42 are not critical. They are typically between 100 and 106 ohms. These values are chosen because low resistances, although they lead to faster operation, consume more power. (If the neural network is implemented in software, there are of course no such restrictions.) For the proximity effect example, the resistances in the first layers are all identical. Due to this initial situation, the active components of the row 42 each have a voltage as an input signal that corresponds to the average value of the incident exposure dose that hits a ring with a certain radius. The output signal of the active components of this first group is then applied to a second group of components via a variable impedance, which is again typically between 100 and 106 ohms. In the present embodiment, these are current summing amplifiers. By setting the values for these variable impedances, an appropriate weighting of the scatter seen at the central pixel for the 19x19 array, for example, is determined. These variable weights are adjusted by adjusting the variable impedances until the matrix gives the same response as was adjusted for the design pattern in the iterative procedure described above. The parameters of the neural network are thus adjusted by an iterative procedure.

Bei der Bestimmung der Einstelifaktoren für die Dosis bei einer konkreten Photomaske wird das neuronale Netz mit seinen zuvor eingestellten Impedanzwerten verwendet. Die an den Pixeln jeweils erforderliche Dosis wird dadurch bestimmt, daß die Werte der 19x19-Matrix um diesen Pixel in den Eingang des voreingestellten neuronalen Netzes eingegeben werden, wobei das Ausgangssignal des neuronalen Netzes der eingestellten Dosis entspricht. Nun wird das benachbart zu dem anfänglich berechneten Pixel gelegene nächste Pixel berechnet, indem das neue Pixel in alle 19 Shiftregister verschoben wird, was einer Verschiebung in dem Eingangsmuster um ein Pixel entspricht, so wie dies in Fig. 5 dargestellt ist. Das Verfahren wird nun solange fortgesetzt, bis alle Einstelifaktoren vorliegen. Der Zeitbedarf für die Bestimmung einer Anordnung mit 32000 Pixeln beträgt typischerweise 13 Sekunden im Vergleich zu 4 Stunden für das zuvor beschriebene analytische Verfahren. Die so bestimmten eingestellten Werte werden nun dazu verwendet, um das Belichtungsverfahren entsprechend dem gewünschten Photomaskenverfahren so zu steuern, daß es die gewünschte Genauigkeit aufweist, die für die Berechnung des hergestellten Ausführungsmusters oder Prototyps festgelegt wurde.When determining the adjustment factors for the dose for a specific photomask, the neural network is used with its previously set impedance values. The dose required at each pixel is determined by entering the values of the 19x19 matrix around that pixel into the input of the preset neural network, with the output of the neural network corresponding to the set dose. The next pixel adjacent to the initially calculated pixel is now calculated by shifting the new pixel into all 19 shift registers, which corresponds to a shift in the input pattern by one pixel, as shown in Fig. 5. The process is then continued until all adjustment factors are available. The time required to determine an arrangement with 32,000 pixels is typically 13 seconds compared to 4 hours for the analytical method described above. The set values thus determined are now used to control the exposure process according to the desired photomask process so that it has the desired accuracy that was determined for the calculation of the manufactured design pattern or prototype.

Es ist auch ein entsprechendes Verfahren zur Einstellung der Konfiguration eines neuronalen Netzes für ein beliebiges Herstellungsverfahren unter Verwendung eines Ausführungsmusters oder Prototyps möglich., Die eingestellte Lösung des neuronalen Netzes wird zur Einstellung oder Steuerung des Herstellungsverfahrens verwendet, so daß man bessere Ergebnisse als bei einem nicht-eingestellten oder ungesteuerten Verfahren erhält. Die folgenden Beispiele dienen zur Veranschaulichung der sich durch eine solche Einstellung ergebenden Verbesserungen.A corresponding method for setting the configuration of a neural network for any manufacturing process using a design pattern or prototype is also possible. The set solution of the neural network is used for setting or Control of the manufacturing process so that better results are obtained than with a non-adjusted or uncontrolled process. The following examples serve to illustrate the improvements resulting from such adjustment.

example 1

Zur Durchführung der Berechnung werden zwei Informationsfelder benötigt. Bei dem ersten Feld handelt es sich um die Proximityfunktion PRX(x,y), d.h. um ein zweidimensionales Feld, das die Streueigenschaften des Elektronenstrahls beschreibt. Dieses erste Feld wird mittels Monte-Carlo-Verfahren berechnet. Die Größe dieses Feldes hängt von dem Streubereich (gemessen in Pixel) ab. Ein Bereich, der 95% der Gesamtfläche unter der Proximityfunktion umfaßt, ergibt im allgemeinen akzeptable Resultate. Das Feld PRX(x,y) ist daher von x=-RANGE bis x=+RANGE definiert, wobei für y das gleiche gilt. Die Gesamtdimension dieses Feldes beträgt daher (2xRANGE+1) x (2xRANGE+1).Two fields of information are required to perform the calculation. The first field is the proximity function PRX(x,y), i.e. a two-dimensional field that describes the scattering properties of the electron beam. This first field is calculated using the Monte Carlo method. The size of this field depends on the scattering area (measured in pixels). A region that covers 95% of the total area under the proximity function generally gives acceptable results. The field PRX(x,y) is therefore defined from x=-RANGE to x=+RANGE, with the same applying to y. The total dimension of this field is therefore (2xRANGE+1) x (2xRANGE+1).

Bei dem zweiten Feld, Input(x,y), handelt es sich um das Bild eines Prototyps einer lithographischen Maske. Durch seine Werte an den Stellen x, y ist jeweils festgelegt, ob ein Pixel zu belichten ist. Es handelt sich um ein binäres Feld, d.h., daß seine Werte jeweils nur 0 oder 1 betragen. Es ist in beiden Dimensionen x und y wesentlich größer als RANGE. Das Ziel der iterativen Berechnung besteht in der Erzeugung eines neuen Feldes, IMAGE, das sich nach der Streuung ergibt, wenn die Energiedosis DOSE an den Stellen x, y eingeschrieben wird, für die gilt Input(x,y) = 1.The second field, Input(x,y), is the image of a prototype of a lithographic mask. Its values at the x, y positions determine whether a pixel is to be exposed. It is a binary field, i.e. its values are only 0 or 1. It is significantly larger than RANGE in both dimensions x and y. The aim of the iterative calculation is to generate a new field, IMAGE, which results after scattering when the energy dose DOSE is written at the x, y positions for which Input(x,y) = 1.

Der Algorithmus zur Berechnung der Korrektur für Input(x,y) lautet wie folgt.The algorithm for calculating the correction for Input(x,y) is as follows.

Schritt 1:Step 1:

IMAGE(x,y)=DOSE x INPUT(x,y).IMAGE(x,y)=DOSE x INPUT(x,y).

Schritt 2:Step 2:

Die sich aus diesem Eingangsbild ergebende tatsächliche Streudosis ergibt sich durch eine zweidimensionale Faltung des einfallenden oder auftreffenden Musters mit der Proximityfunktion. RANGE OUTPUT IMAGEThe actual scattered dose resulting from this input image is determined by a two-dimensional convolution of the incident or impinging pattern with the proximity function. RANGE OUTPUT IMAGE

Step 3:

Das gewünschte Ergebnis besteht in einer Belichtungsdosis, die an den Stellen x, y, an denen Input (x,y)=1 ist, gleich der Energiedosis DOSE ist. Die Regelabweichung ist daher alsThe desired result is an exposure dose that is equal to the energy dose DOSE at the points x, y where input (x, y) = 1. The control deviation is therefore

ERROR(x,y) = OUTPUT(x,y) - (DOSE x INPUT(x,y))ERROR(x,y) = OUTPUT(x,y) - (DOSE x INPUT(x,y))

definiert.Are defined.

Schritt 4:Step 4:

Ein neues Bild ist durchA new picture is through

NEWIMAGE(x,y) = IMAGE(x,y) - ERROR(x,y)NEWIMAGE(x,y) = IMAGE(x,y) - ERROR(x,y)

definiert. Da eine negative Belichtung durch Elektronenstrahlen nicht möglich ist, wird NEWIMAGE(x,y)=0 gesetzt, wenn es kleiner als 0 ist. NEWIMAGE(x,y) wird nun anstelle von IMAGE(x,y) verwendet und wird wiederum in Schritt 2 eingesetzt. Die Schritte 2 bis 4 werden solange wiederholt, bis die Werte für ERROR(x,y) einen zu akzeptierenden niedrigen Wert annehmen oder bis eine weitere Iteration zu keiner Verringerung des Gesamtfehlers mehr führt.defined. Since negative exposure by electron beams is not possible, NEWIMAGE(x,y)=0 is set if it is less than 0. NEWIMAGE(x,y) is now used instead of IMAGE(x,y) and is again used in step 2. Steps 2 to 4 are repeated until the values for ERROR(x,y) reach an acceptable low value or until a further iteration no longer leads to a reduction in the total error.

Durch dieses grundlegende iterative Verfahren wird für ein Eingabefeld INPUT(x,y) und für die Streu- oder Proimityfunktion PRX(x,y) ein Korrekturfeld IMAGE(x,y) berechnet. Da eine Streuung auf einem Abschnitt der Länge RANGE auftritt, umfaßt die Berechnung einer Korrektur für ein bestimmtes Pixel zwangsläufig auch alle Pixel, die in einem Radius der Länge RANGE um das Pixel herum angeordnet sind.This basic iterative procedure calculates a correction field IMAGE(x,y) for an input field INPUT(x,y) and for the scatter or probability function PRX(x,y). Since scatter occurs on a section of length RANGE, calculating a correction for a specific pixel necessarily includes all pixels located within a radius of length RANGE around the pixel.

Das in Fig. 4 dargestellte neuronale Netz wird zur Berechnung der Grundfunktion RANGE OUTPUTThe neural network shown in Fig. 4 is used to calculate the basic function RANGE OUTPUT

verwendet, wobei Wr die einstellbaren Widerstände sind, für die die Pufferverstärker 42 jeweils mit den Ausgangsstrom- Summierverstärker gekoppelt sind, während mit IAVE(r) ein radialer Mittelwert der Funktion INPUT(x,y) bezeichnet wird. Diese Mittelung wird wie folgt durchgeführt: Für ein bestimmtes Pixel an einer Stelle mit den Koordinaten (x,y) läßt sich der Radius der ihn umgebenden Pixel an der Stelle (x&sub0;,y&sub0;) praktischerweise alswhere Wr are the adjustable resistors for which the buffer amplifiers 42 are each coupled to the output current summing amplifiers, while IAVE(r) denotes a radial average of the function INPUT(x,y). This averaging is carried out as follows: For a particular pixel at a location with coordinates (x,y), the radius of the surrounding pixels at the location (x�0,y�0) can be conveniently calculated as

RADIUS (integer) [(x-x&sub0;)²+ (y-y&sub0;)]²RADIUS (integer) [(x-x�0;)²+ (y-y�0;)]²

ausdrücken.to express.

Da der Radius nur als ganzzahliger Bestandteil des tatsächlichen radialen Abstandes definiert ist, d.h., daß die Stellen hinter dem Komma abgeschnitten werden, werden alle Pixel, die in einem Kreisring mit der Dicke eines Pixels liegen, in Gruppen zusammengefaßt. Für einen bestimmten Wert für Radius wird IAVE (RADIUS) in einem softwaremäßigen neuronalen Netz alsSince the radius is only defined as an integer component of the actual radial distance, i.e. that the decimal places are cut off, all pixels that lie in a circular ring with the thickness of one pixel are grouped together. For a certain value for radius, IAVE (RADIUS) is used in a software neural network as

IAVE (RADIUS) = [Anzahl der Pixel für den Wert RADIUS mit INPUT(x,y)= 1]/Gesamtanzahl der Pixel für den Wert RADIUSIAVE (RADIUS) = [number of pixels for the value RADIUS with INPUT(x,y)= 1]/total number of pixels for the value RADIUS

definiert. Dieser Ausdruck stimmt mit der Spannung am Ausgang des Verstärkers 42 in einem Hardwarenetz überein.This expression corresponds to the voltage at the output of amplifier 42 in a hardware network.

Die Verbindungsstärke Wr wird mittels eines Verfahrens mit Versuch und Irrtum bestimmt, wobei die Deltaregel und das von Rumelhart et al. in der oben zitierten Literaturstelle diskutierte Gradientenverfahren verwendet werden. Wr werden hierbei am Anfang Zufallswerte zugewiesen. Für ein bestimmtes Eingangspixel INPUT(x,y) wird unter Verwendung des iterativen Verfahrens ein zugehöriger gewünschter Ausgangswert des Netzes IMAGE(x,y) bestimmt. Der Ausgangswert des Netzes OUTPUT(x,y) wird aus den obigen drei Gleichungen bestimmt. Die Regelabweichung des neuronalen Netzes ist alsThe connection strength Wr is determined by a trial and error procedure using the delta rule and the gradient method discussed by Rumelhart et al. in the reference cited above. Wr is initially assigned random values. For a given input pixel INPUT(x,y) using the iterative method, a corresponding desired output value of the network IMAGE(x,y) is determined. The output value of the network OUTPUT(x,y) is determined from the above three equations. The control deviation of the neural network is defined as

NETERR(x,y) = IMAGE(x,y) - OUTPUT(x,y=NETERR(x,y) = IMAGE(x,y) - OUTPUT(x,y=

definiert.Are defined.

Durch Anwendung der Deltaregel ergibt sich die Veränderung der Gewichtungsfaktoren Wr auf der Basis der einzelnen Versuche (d.h. für jeden Punkt (x,y)) alsBy applying the delta rule, the change in the weighting factors Wr on the basis of the individual tests (i.e. for each point (x,y)) is given as

ΔWr = -Eta x NETERR(x,y) x IAVE(r)ΔWr = -Eta x NETERR(x,y) x IAVE(r)

wobei Eta eine Proportionalitätskonstante ist, die typischerweise kleiner als 1 ist. Wenn Eta zu groß gewählt wird, führt dies statt zu einem Lernvorgang zu einer Divergenz des Netzes. Wenn Eta zu klein gewählt wird, führt dies zu einer geringeren Konvergenzgeschwindigkeit. Wenn dieses Verfahren für viele Wertepaare (x,y) des Prototyps oder des Ausführungsmusters wiederholt wird, wird NETERR(x,y) zunehmend kleiner, bis sich das neurale Netz im allgemeinen bei einer kleineren mittleren Regelabweichung stabilisiert. An dieser Stelle ist die Übungsphase beendet.where Eta is a proportionality constant that is typically less than 1. If Eta is chosen too large, it will lead to divergence of the network instead of learning. If Eta is chosen too small, it will lead to a slower convergence rate. If this procedure is repeated for many pairs of values (x,y) of the prototype or the execution pattern, NETERR(x,y) will become progressively smaller until the neural network generally stabilizes at a smaller mean control deviation. At this point, the training phase is over.

Wenn das neuronale Netz erfolgreich darauf trainiert ist, den Eingangswert für eine bestimmte Proximityfunktion unter Verwendung eines Eingangswertes für einen geeignet gewählten Prototyp oder ein Ausführungsmuster zu korrigieren, führt es auch passende Korrekturen für beliebige Eingangswerte aus. Eine konkrete Implementierung des Netzes kann entweder hardwaremäßig als elektronisches Netzwerk erfolgen, wobei die Werte für Wr Konduktanzen oder Wirkleitwerte sind, oder die Implementierung kann softwaremäßig erfolgen, wobei die Korrektur unter Verwendung der obigen Gleichungen mit den gleichen Werten für Wr berechnet wird.If the neural network is successfully trained to correct the input value for a particular proximity function using an input value for a suitably chosen prototype or execution pattern, it will also perform appropriate corrections for any input values. A concrete implementation of the network can either be in hardware as an electronic network, where the values for Wr are conductances or conductances, or the implementation can be in software, where the correction is calculated using the above equations with the same values for Wr.

Claims

1. Process for producing an object with desired product properties by means of the following process steps:

Creating a neural network to be applied to data representing a variable of the process (process parameter);

generating a control signal corresponding to the solution derived from the data by the neural network to effect the manufacture of the article; and

Setting the process parameter in accordance with the control signal,

characterized,

that the configuration of the neural network is set before the process control of the manufacturing process takes place, so that the solution derived from the data representing the variable in the manufacture of a prototype of the article leads to the process of manufacturing an article corresponding to the prototype which essentially has the desired product properties, and

that the process for producing the object is discontinued without any further change in the configuration of the neural network.

2. The method of claim 1, wherein the article comprises an integrated circuit.

3. The method of claim 1, wherein the article comprises a lithographic mask.

4. The method according to claim 3, wherein in an additional method step an electron-sensitive material is structured or provided with a pattern by selective irradiation with electrons.

5. The method of claim 4, wherein the process parameter comprises the dosage of electrons generated by controlling an electron beam.

6. The method of claim 5, wherein the neural network comprises active devices that perform a linear operation.

7. Method according to claim 1, with one or more control variables, in which steerable energy is directed at several target locations, the energy impinging on one of the several target locations of a body causing an effect both at the target location itself and at one or more neighboring locations, and the neural network is used in such a way that the desired effect is caused at all locations by feeding the neural network a representation of the method and setting one or more control variables of the steerable energy for each of the target locations in accordance with the effect caused at the neighboring locations.